آیا عامل‌های هوش مصنوعی می‌توانند کمبود متخصصان قلب را جبران کنند؟

تصور کنید یک ماشین بتواند با دقت یک پزشک، داروهای حساس و قرارهای پزشکی بیمارانی که دچار نارسایی قلبی هستند را مدیریت کند. این پرسش، هسته مرکزی یک قمار ۶۲.۷ میلیون دلاری دولت ایالات متحده است. در ۹ سپتامبر ۲۰۲۶، آژانس پیشرفته پژوهش‌های بهداشتی (ARPA-H) از شرکت Atman Health و تیم‌های دیگر به عنوان برندگان برنامه «تحول مراقبت‌های قلبی-عروقی مبتنی بر هوش مصنوعی عامل‌محور» (ADVOCATE) رونمایی کرد. این ابتکار، فراتر از یک چت‌بات ساده، تلاشی برای ساخت نخستین سامانه عامل هوش مصنوعی (AI Agent) — شبیه به یک دستیار دیجیتال که نه تنها حرف می‌زند، بلکه می‌تواند برای رسیدن به هدفی مشخص، به‌طور مستقل تصمیم بگیرد و ابزارها را اجرا کند — است که تأییدیه سازمان غذا و دارو (FDA) را دریافت کند.

این برنامه در حالی آغاز می‌شود که دسترسی به خدمات قلبی در آمریکا با فروپاشی سیستماتیک روبروست. طبق گزارش‌های رسمی، سالانه بیش از ۲۰۰ هزار آمریکایی بر اثر بیماری‌های قلبی قابل پیشگیری می‌میرند که علت اصلی مرگ و میر در این کشور است. با این حال، تقریباً نیمی از شهرستان‌های ایالات متحده حتی یک متخصص قلب فعال ندارند. همان‌طور که در تحلیل قبلی ما درباره‌ی کاربردهای هوش مصنوعی صوتی در مصاحبه‌های تخصصی اشاره کردیم، این پروژه اکنون تکنولوژی را از غربالگری اداری به مداخلات بالینی با ریسک بالا منتقل می‌کند.

چارچوب عملیاتی ADVOCATE

آژانس ARPA-H در سال اول این برنامه چهارساله، ۳۳.۷ میلیون دلار بودجه اختصاص داده است. هدف، خلق یک «توسعه‌دهنده توانمندی پزشک» (Clinician-extender) است که مانند عضوی دیجیتال از تیم مراقبت، به‌صورت شبانه‌روزی فعالیت کند. این رویکرد در راستای موج جدیدی از ابزارهای بهره‌وری است که عامل‌های هوش مصنوعی اوراکل نیز با ذخیره ۴۰۰ هزار ساعت از زمان پزشکان نمونه‌ای از موفقیت‌های عملیاتی آن در کاهش فشار کاری کادر درمان بوده‌اند. به نقل از این آژانس، این عامل‌ها باید بتوانند به‌طور مستقل رژیم غذایی، ورزش و تنظیمات دارویی را مدیریت کنند.

حیدر واریچ، مدیر برنامه و متخصص قلب، بر فوریت این موضوع تأکید دارد: «هر روز آمریکایی‌هایی می‌میرند که راه پیشگیری از بیماری‌شان را می‌دانیم؛ اما مانع اصلی، دارو نیست، بلکه نبود پزشکی است که بتواند مسیر درمان را هدایت کند.» او این فناوری را عاملی توصیف می‌کند که قادر است نیازهای درمانی را درک کند و تنها در موارد ضروری با تیم پزشکی تماس بگیرد.

برای جلوگیری از خطاهای فاجعه‌بار، این برنامه از یک معماری دو لایه استفاده می‌کند:

• عامل‌های رابط بیمار: این سیستم‌ها تعامل مستقیم با بیمار و ارائه مراقبت را بر عهده دارند. این‌ها به عنوان سیستم‌هایی تعریف می‌شوند که برای دستیابی به اهداف پیش‌تعیین‌شده با حداقل نظارت انسانی به‌طور مستقل عمل می‌کنند و داده‌های مانیتورهای سلامتی پوشیدنی و پرونده‌های دیجیتال سلامت را با هم ادغام می‌کنند.
• هوش مصنوعی نظارتی (Overseer): یک سامانه مجزا که عملکرد عامل‌های مستقر را به‌صورت لحظه‌ای رصد می‌کند تا هرگونه توصیه ناایمن یا رفتارهای «خارج از محدوده» (Out-of-distribution) را شناسایی و متوقف کند.

بازیگران اصلی و تکنولوژی‌های به‌کاررفته

شرکت Atman Health تا ۷.۷ میلیون دلار برای ساخت معماری ترکیبی «قطعی-عامل‌محور برای مراقبت‌های قلبی-عروقی با اولویت ایمنی» دریافت کرده است. این پروژه که در نیدهم هایتس ماساچوست مستقر است و توسط راهول دیو (پژوهشگر اصلی) هدایت می‌شود، تحت مدیریت دفتر راهکارهای مقیاس‌پذیر ARPA-H قرار دارد.

برخلاف مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — که گاهی دچار توهم (Hallucination) می‌شوند، Atman گفتگو را از تصمیم‌گیری جدا کرده است. در این سیستم، یک LLM رابط صوتی را مدیریت می‌کند تا به‌صورت پویا بهترین سوالات تشخیصی را بپرسد، اما یک «موتور قطعی» (Deterministic Engine) تصمیمات پزشکی واقعی را می‌گیرد. این موتور بر پایه موارد زیر بنا شده است:

• بیش از ۹,۰۰۰ معیار بالینی صریح
• ۹,۶۰۰ جفت‌داروی دارو و اندیکاسیون
• ۶,۹۰۰ پروفایل تنظیم دوز دارو (Titration)
• بیش از ۱۰۰ جریان تریاژ علائم

سیستم Atman پیش از پیشنهاد هر دارویی، معیارهای خروج (Exclusion criteria) را بررسی می‌کند و منطق، شواهد و طبقه‌بندی خطرات را طبق استاندارد ISO 14971 برای هر توصیه ثبت می‌کند. راهول پاتل، هم‌بنیان‌گذار و مدیرعامل Atman، اعلام کرد که آن‌ها عمداً قلبی-عروقی را به صورت یک سیستم مبتنی بر قوانین کدگذاری کرده‌اند تا هر پیامد بالینی توسط پزشکان یا رگولاتورها قابل بازبینی باشد.

سایر بازیگران کلیدی عبارتند از:

• Tempus AI: توسعه اپلیکیشن Olivia برای افزودن نظارت مستمر و تحلیل عمیق بالینی در زمانی که سیستم تغییرات معناداری را در سلامت بیمار شناسایی می‌کند.
• Updoc: ایجاد سیستمی که در آن یک سیستم قوانین ساخته‌شده توسط پزشک، هر اقدام هوش مصنوعی را پیش از اجرا با پروتکل‌های تایید شده اعتبارسنج می‌کند تا هوش گفتگو از اقتدار بالینی جدا شود.
• دانشگاه استنفورد: طراحی عامل نظارتی مستقل از نوع بیماری با استفاده از یک خط لوله سه مرحله‌ای با افزایش توان پردازشی، شامل فیلتر کردن داده‌های پرت، غربالگری مبتنی بر قانون و یک عامل بازرسی عمیق که استدلال‌های قابل بررسی برای هر ادعا تولید می‌کند.

استقرار در دنیای واقعی

برای اطمینان از کارایی در محیط واقعی، این پروژه با سیستم‌های بهداشتی بزرگ گره خورده است. Kaiser Permanente این عامل‌ها را در ۲۱ مرکز پزشکی و ۲۶۰ کلینیک با استفاده از جریان‌های کاری نرم‌افزار Epic برای بیماران نارسایی قلبی مستقر می‌کند. آن‌ها از طریق استقرار در «حالت سایه» (Shadow-mode) و کارآزمایی‌های بالینی تصادفی عمل‌گرایانه، نقشه‌های استقرار قابل استفاده مجدد تولید خواهند کرد.

در همین حال، دانشگاه دوک یک پلتفرم اعتبارسنجی چندسایتی را برای تست عامل‌های ADVOCATE در پنج سیستم بهداشتی و سایت‌های روستایی با استفاده از پرونده‌های Epic و Cerner/Oracle فراهم می‌کند. این تلاش توسط دسترسی ملی انجمن قلب آمریکا (AHA) تقویت می‌شود.

این استقرار به‌طور ویژه مناطق محروم را هدف قرار داده است. ARPA-H بیان می‌کند که تمرکز بر مناطق روستایی است که دسترسی به خدمات قلبی در آن‌ها بسیار محدود است؛ این موضوع بازتاب‌دهنده تحلیل سال ۲۰۲۴ در مجله کالج قلب آمریکا است که نشان می‌دهد ۱,۴۵۴ شهرستان از ۳,۱۴۳ شهرستان آمریکا هیچ متخصص قلبی فعال ندارند.

چالش‌های رگولاتوری

از آنجا که این عامل‌ها می‌توانند نسخه‌های دارویی را تغییر دهند، ریسک‌های قانونی و رگولاتوری بسیار بالاست. ARPA-H به‌طور مستقیم با FDA در طول چرخه حیات برنامه همکاری می‌کند تا چارچوب رگولاتوری برای این کلاس جدید از هوش مصنوعی را توسعه دهد. ریک ابرامسون، مدیر مرکز تعالی سلامت دیجیتال FDA، اشاره کرد که این امر نیازمند همکاری نزدیک و تکرارشونده بین توسعه‌دهندگان، پزشکان و FDA است.

نقشه راه Atman Health برای دریافت مجوز به این صورت است:

• سال اول: تعامل با FDA از طریق فرآیند پیش‌ارسال (Pre-submission).
• ماه ۱۲: درخواست معافیت دستگاه تحقیقاتی (IDE).
• ماه ۲۴: ارسال درخواست De Novo، که پیش از آن یک مطالعه حالت سایه در یک مرکز انجام می‌شود.

طبق شرایط برنامه، تمام توسعه‌دهندگان رابط بیمار باید ظرف ۲۴ ماه پس از اعطای قرارداد، اولین بسته مجوز FDA از نوع خود را ارسال کنند. برای تأیید مستقل، ARPA-H با آزمایشگاه فیزیک کاربردی دانشگاه جانز هاپکینز قرارداد بسته است تا عملکرد فنی و نتایج بالینی را ارزیابی کند.

مخاطرات اقتصادی و بالینی

شکاف مراقبتی در این حوزه تکان‌دهنده است. حدود ۷.۷ میلیون آمریکایی با نارسایی قلبی زندگی می‌کنند. درمان این بیماری شامل چهار کلاس دارویی است که باید به‌طور تدریجی طی چندین ماه معرفی و افزایش یابند و هر مرحله باید با فشار خون، عملکرد کلیه و سایر مقادیر آزمایشگاهی چک شود. با وجود اینکه این یکی از اثبات‌شده‌ترین رژیم‌های درمانی در پزشکی است، تنها حدود ۱٪ از بیماران واجد شرایط، دوزهای هدف را برای حداقل سه کلاس دارویی بنیادی دریافت می‌کنند.

راهول دیو، هم‌بنیان‌گذار و مدیر پزشکی Atman، هشدار می‌دهد: «در نارسایی قلبی، یک تنظیم اشتباه می‌تواند بیمار را با افزایش پتاسیم، آسیب کلیوی یا آریتمی به اورژانس بفرستد.» او معتقد است پیش از آنکه چنین سیستمی بتواند به‌طور مستقل عمل کند، پزشکان باید بتوانند دقیقاً بررسی کنند که چه چیزی و چرا چک شده است.

در صورت موفقیت، ARPA-H تخمین می‌زند که این برنامه سالانه ۲۸ میلیارد دلار در هزینه‌های درمان جمعیت مبتلا به نارسایی قلبی صرفه‌جویی کند. این یک چرخش بنیادین است؛ ما از «کمک‌خلبان‌هایی» (Copilots) که فقط پیشنهاد می‌دهند، به سمت «عامل‌هایی» (Agents) می‌رویم که دستورات را اجرا می‌کنند. موفقیت این برنامه احتمالاً تعیین می‌کند که آیا FDA اجازه می‌دهد هوش مصنوعی خودکار بیماری‌های مزمن را در مقیاس وسیع مدیریت کند یا خیر.

نتایج اولین مطالعه «حالت سایه» شرکت Atman Health — که توسط Khosla Ventures و iSelect Fund حمایت می‌شود — را در ۱۲ ماه آینده دنبال کنید تا ببینید آیا موتورهای قطعی می‌توانند واقعاً توهمات LLM را در محیط‌های بالینی حذف کنند یا خیر.